Estim Punt Interv

Estadı́stica Aplicada 2
Estimación puntual e intervalar
José J. Cerda-Hernández, Ph.D.

jcerdah@uni.edu.pe
Universidad Nacional de Ingenierı́a

Department of Economics
UNI
J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 1 / 86

Población
La colección de todos los posibles elementos bajo investigación es denomi-

nada de población o universo.
En todos los problemas estadı́sticos debemos inicialmente definir cuál será la

población objetivo. Con ello, estarán relacionadas las cantidades de interés.
Se pude definir que los habitantes del Perú forman nuestra población
de interés, en este caso el número de elementos de nuestra población
será de 32milones aprox.
Se puede definir como población a los alumnos que forman parte de
esta clase.

Muestra
Es un subconjunto de la población.
La muestra es utilizada cuando no tenemos acceso a toda la población y

sirve como base para inferir sobre cantidades de interés relacionadas a la
población.
los habitantes del Perú forman nuestra población de interés, una
posible muestra serián los alumnos de esta disciplina.
10 carros de una determinada marca para hacer pruebas de seguridad.

Tipos de Muestra
Existen varias formas de seleccionar muestras de las poblaciones:
Muestra aleatoria: cuando los elementos de la población se eligen de forma

aleatoria, usando cualquier mecanismo de azar.
Muestra aleatoria simple: Se garantiza que todos los individuos de la

población tengan la misma probabilidad de ser elegidos en la muestra y que
cada uno de sus elementos se elijan de forma independiente.

Muestra sistemática: Previamente los individuos de la población se en-
cuentran en una lista, después se elige uno al azar (xi) y a continuación, a
intervalos constantes, se eligen todos los demás hasta completar la muestra.
Los intervalos son seleccionados en base a un coeficiente de elevación k =
N/n.
Donde: N es el tamaño de la población y n el de la muestra.La elección de
los elementos muestrales vendrán dados por xi + k, xi + 2k, ....
Ejemplo: Si de una población de 500 se debe tomar una muestra de tamaño

50, el intervalo de selección es de tamaño 10. Este intervalo de selección
indica que se habrá que seleccionar cada décimo caso de la población para
integrarlo a la muestra. Se inicia la selección de la muestra eligiendo medi-
ante un método aleatorio el primer caso. Suponiendo que en este ejemplo
el primer caso seleccionado sea el número 13, el segundo será el 23 y ası́
sucesivamente hasta completar el tamaño de muestra deseado.

Muestra estratificada: se dividen los elementos de la población en clases
o estratos (edad, renta, etc...) y dentro de cada uno de ellos se eligen los
elementos por m. a. s. o sistemático. Muestra no aleatoria: Se seleccionan
los individuos de forma subjetiva (opinática), lo que puede introducir cierto
sesgo a los resultados obtenidos.
El tipo de muestreo que usaremos a lo largo del curso es Muestreo Aleatorio

Simple.

Muestra Aleatoria Simple
Todos los elementos de la población tienen la misma probabilidad de ser

seleccionados. Se repite el processo hasta que n elementos sean selec-
cionadas. Tendremos una muestra con reposición, si es permitido que una
unidad pueda ser sorteada mas de una vez, y sin reposición, si el elemento
es removido de la población.
Definición: Una amostra aleatória simple de tamaño n de una populación
modelada por uma variable aleatoria X , con una distribución dada, es un
conjunto de n variable aleatoria independentes
X1 , X2 , ..., Xn ,
cada una con la misma distribución de X .
Intuitivamente, Xi representa la observación del i-ésimo elemento

sorteado.

Distribución conjunta de v.a. independientes
Caso continuo:
Si X1 , X2 , .., Xn son variables aleatorias continuas, independientes e idénticamen
distribuidas. La distribución de densidad conjunta es dada por:
n
Y
f (x1 , . . . , xn ) = fXi (xi )
i=1
Caso discreto:
Si X1 , X2 , .., Xn son variables aleatorias discretas, independientes e idénticament
distribuidas, entonces
n
Y
P(X1 = x1 , . . . , Xn = xn ) = P(Xi = xi )
i=1

Estadı́stica y Parámetro
Una vez obtenida la muestra de una población dada , muchas veces estamos
interesados en calcular alguna función de esta muestra. Por ejemplo, la
média de la muestra (X1 , X2 , ..., Xn ) es dada por
X1 + · · · + Xn
X =
n
Definición: Una estadı́stica T es un a función de una muestra X1 , X2 , ..., Xn .
Las estadı́sticas mas comunes son:
X1 + · · · + Xn
Media muestral: X = .
n
1 Pn 2
Varianza muestral: Var (X ) = i=1 Xi − X , etc
n−1
Definición: Denominamos de parámetro una medida usada para describir
una caracterı́stica de la población. Ası́, si una población es modelada por
una v.a X , la esperanza y la varianza E (X ) y Var (X ), respectivamente,
serian parámetros de la v.a. X .
Distribución Muestral: Se llama ası́ a la función de distribución (o prob-
abilidad) de un estadı́stico.
Error Estándar del Estadı́stico: es la desviación estándar de la distribución

muestral de un estadı́stico.

Estimadores y Estimaciones
Estimadores son funciones muestrales (estadı́sticas), definidas antes de ob-

servar la muestra, que sirven para estimar un parámetro de la función de
densidad de probabilidad. Colocaremos un sombrero encima del parámetro
para denotar el estimador. Utilizaremos la letra mayúscula para denotar el
estimador.
Exemplo: media muestral µ̂ = X es varianza muestral σ̂ 2 = SX2 .
Estimativa es el valor numérico del estimador despues de observar la mues-

tra. Utilizaremos la letra minúscula para denotar la estimación.
Exemplo Como E(X ) = µX e Var (X ) = σX2 son los parámetros de la dis-
tribución de personas normales, usando los estimadores adecuados tenemos
las estimaciones:
µX ≈ X = 3, 8 e σX2 ≈ SX2 = 3, 1.

Propiedades de los Estimadores
Como vimos el problema de la estimación es determinar una función h(X 1, X 2, ·
que sea próxima de θ, segun algun criterio. El primer criterio es el seguinte:
Definición: El estimador T es insesgado para θ si
E(T ) = θ, para todo θ
El sesgo de un estimador T para um parámetro θ es igual a E(T ) − θ .

Luego, un estimador T es insesgado para θ , si el sesgo es igual a cero para
todo θ.

Ejemplo: La media muestral X es un estimador insesgado para la media
poblacional µ.
Esto demuestra que X es un estimador insesgado.

Exemplo:
P Considere una población con N elementos, con media poblacional
µ = N1 N
i=1 Xi , y varianza poblacional dada por
N
1 X
σ2 = (Xi − µ)2 .
N
i=1
Un posible estimador para σ 2 , basado en una muestra aleatoria simple de

tamaño n de esa población, es
n
2 1X
σ̂ = (Xi − X )2 .
n
i=1

n−1 2
Demuestre que ese estimador es sesgado: E σ̂ 2 = σ .
n
Pn Pn
i=1 (Xi − X )2 = i=1 (Xi − µ + µ + X )2
Pn Pn
= i=1 (Xi − µ)2 − 2 i=1 (Xi − X )(Xi − µ)
Pn
+ i=1 (X − µ)2
Pn
= i=1 (Xi − µ)2 − n(X − µ)2
Por lo anterior, un estimador insesgado para la varianza poblacional es

n
1 X
σ̂ 2 = (Xi − X )2 , E(σ̂ 2 ) = σ 2 .
n−1
i=1

Standard Error: Reporting a Point Estimate
Ejemplo:

Definición: Una sucesión {Tn } de estimadores de θ es consistente si
lim E(Tn ) = θ
n→∞
e
lim Var (Tn ) = 0.
n→∞
Ejemplo: Vimos que σ̂ 2 es insesgado para σ 2 . Demonstrar que

n−1 4
Var (σ̂ 2 ) = 2σ .
n2
Por lo tanto, Var (σ̂ 2 ) → 0, cuando n → ∞, i.e., σ̂ 2 es consistente.
Definición: Si T y T 0 son dos estimadores insesgados de un mismo parámetro
θ, y
Var (T ) < Var (T 0 ),
entonces decimos que T es más eficiente que T 0 .

Ejemplo: Supongamos un experimento consistiendo de n provas de Bernoulli,
con probabilidad de sucesso p. Sea X el número de éxitos, y considere los
estimadores

X 1 , si la primera prueba resultar un éxito
(a) p̂1 = , (b) p̂2 =
n 0 , caso contrario.
Determine la esperanza y a varianza de cada estimador. Por qué p̂2 no es

un buen estimador? Verifique si p̂1 y p̂2 son consistentes.

Error cuadrático medio
Sea X1 , . . . , Xn una muestra aleatoria simple extraı́da de una población con

función de densidad f (x, θ) , y sea θ̂ un estimador de θ).
Se denomina error cuadrático medio (E.C.M) del estimador θ̂ al valor dado
por:
2 2
ECM(θ̂) = E θ̂ − θ = Var θ̂ + E(θ̂) − θ
Si el estimador es insesgado, entonces

ECM(θ̂) = Var θ̂
Lo que generalmente se busca es minimizar el ECM. Esto sólo ocurre con

estimadores insesgados.

Formas de estimación
Dos posibles procedimentos de estimación son:
Vamos a observar n elementos, extraidos de forma aleatoria com reposición

de la población
X1 , X2 , . . . , Xn

Distribución muestral de la Media
Vamos observar n elementos, extraı́dos de forma aleatoria sin reposición de

la población X1 , X2 , . . . , Xn . El estimador puntual para X , también denom-
inado media muestral, es definido como
n
1X
X = Xi
n
i=1
Propiedad: Sea X una v.a. con media µ y varianza σ 2 , y sea X1 , X2 , ..., Xn

una muestra aleatoria simple de X . Entonces,
σ2
E(X ) = µ e Var (X ) =
n
Es decir, la media muestral es un estimador insesgado y consistente.

Distribución muestral de la Varianza
Vamos a observar n elementos, extraı́dos de forma aleatoria sin reposición
de la población X1 , X2 , . . . , Xn . El estimador puntual para S 2 , también
denominado varianza muestral, es definido por
n
1 X
S2 = (Xi − X )2 .
n−1
i=1
Propiedad: Sea X una variable aleatoria con média µ y varianza σ 2 , y sea

X1 , X2 , ..., Xn una muestra aleatoria simple de X . Entonces,
2σ 4
E(S 2 ) = σ 2 e Var S 2 =

n−1
Recordemos que:

Distribución Muestral de la Proporción
El estimador puntual para p, también denominado proporción muestral, es

definido por
Yn
p̂ =
n
siendo que
Yn : denota el número de elementos en la muestra que tienen la caracteris-
tica;
n: denota el tamaño de la muestra.
Propiedad: Sea p̂ el estimador de la proporción de una muestra X1 , X2 , ..., Xn
una muestra aleatoria simple. Entonces,
p(1 − p)
E(p̂) = p, e Var (p̂) = .
n

Ejemplo: Sea,
p: proporción de alumnos de la UNI que fueron al teatro por lo menos una
vez en el último mes, y
Yn : número de estudiantes que responden “si” en una pesquisa con n en-
trevistados.
Supongamos que fueron entrevistados n = 500 estudiantes y que, de esos,
k = 100 afirmaron que fueron al teatro por lo menos una vez en el último
mes.
La estimación puntual (proporción muestral) para p es dada por:
K 100
p̂ = = = 0, 20
n 500
es decir, 20% de los estudiantes entrevistados afirmaron que fueron al teatro
por lo menos una vez en el último mes.
Note que, otra muestra del mismo tamaño puede generar otra esti-
mación puntual para p.

Ejemplo: Los datos siguientes corresponden al diámetro, en mm, de 30
esferas de rodamiento producidas por una máquina
137; 154; 159; 155; 167; 159; 158; 159; 152; 169; 154; 158; 140; 149; 145
157; 160; 155; 155; 143; 157; 139; 159; 139; 129; 162; 151; 150; 134; 151
x = 151, 9mm, s = 9, 7mm
Supogamos que para satisfazer las especificaciones del consumidor, el
diámetro de las piezas deben estar compreendidos entre
[140mm, 160mm]. Determine la estimación puntual de la proporción
de piezas fabricadas por la máquina satisfaciendo las especificaciones.

Métodos de Estimación Puntual
1. Método de Máxima verosimilitud
Definición: Sea X una variable aleatoria cuya función de probabilidad f (x)

depende de un parámetro θ (f (x, θ)).
Sea X1 , ..., Xn una m.a.s de X y sean x1 , x2 , ..., xn los valores observados de
la muestra. La función de verosimilitud de la muestra se define asi:
n
Y
L(θ) = f (x1 , ..., x2 , θ) = f (xi , θ)
i=1
Observación: si θ hace máxima a L(θ), entonces también hace máxima a

su logaritmo ln(L(θ)).

Para convertir el producto de la función de máxima verosimilitud en suma,
se aplica la función ln(L(θ)) y determinar θ por la ecuación:
n
∂L X ∂f (xi , θ)
= =0
∂θ ∂θ
i=1
Si, la distribución de probabilidad tiene varios parámetros desconocidos, θ1

, θ2 ,..., θk entonces en lugar de una ecuación, tendremos k ecuaciones:
∂L ∂L ∂L
= 0, = 0, · · · , =0
∂θ1 ∂θ2 ∂θk

Ejemplo: Sea X una v.a. con f.d.p f (x) = θe −θx , para x > 0 y θ > 0.
Calcular el estimador de máxima verosimilitud para el parámetro θ.
Primero construimos la función de verosimilitud:
Tomamos logaritmo natural para simplificar la expresión (es equivalente):

Derivamos el logaritmo natural de la función de verosimilitud e igualamos a
cero:
De lo anterior obtenemos
n
n X
− xi = 0
θ
i=1
Por lo tanto
n 1
θ̂ = Pn =
i=1 xi x

Ejemplo: Let X be a Bernoulli random variable. The probability mass
function is
where p is the parameter to be estimated. The likelihood function of a

random sample of size n is

Ejemplo:

Método de los Momentos
The general idea behind the method of moments is to equate population
moments, which are defined in terms of expected values, to the correspond-
ing sample moments. The population moments will be functions of the
unknown parameters. Then these equations are solved to yield estimators
of the unknown parameters.
Ejemplo:

Ejemplo:

Ejemplo: Distribución Gamma
En estadı́stica la distribución gamma es una distribución de probabilidad

continua con dos parámetros r > 0 y λ > 0 cuya función de densidad es
(λx)r −1

λe −λx , x ≥0

f (x) = Γ(r )
0 , caso contrario

donde Γ es la función gamma. Para valores r ∈ N Γ(r ) = (r − 1)!

r r
E(X ) = Var (X ) =
λ λ2
Notación: X ∼ Gamma(r , λ)

Usando el método de los momentos queremos encontrar estimadores para r
y λ:

Distribución de la media y la proporción muestral
Cuál es la distribución muestral de la media muestral X ?
Cuál es la distribución muestral de la proporción muestral pb ?

Teorema del Lı́mite Central para la media muestral
Para muestras aleatorias simples (X1 , X2 , ..., Xn ), retiradas de una población

con media µ y varianza σ 2 finita, la distribución muestral de la media X se
aproxima, para n grande, de una distribución normal, con media µ varianza
σ 2 /n, es decir,
σ2

X ≈ N µ,
n
o equivalentemente
X −µ
lim p = N(0, 1)
n→∞ σ 2 /n
Regla empı́rica: muestras de tamaño de 30 elementos, la aproximación
TCL puede ser considerada buena.

Ejemplo: Supongamos que una máquina está regulada para producir lámparas
con tiempo de vida útil medio de 10.000 horas (siguiendo una distribución
exponencial). De una muestra de 50 lámparas producidas por esta máquina,
se verifica el tempo de vida útil de cada una de ellas. Determine la proba-
bilidad que el tempo de vida útil medio sea menor o igual a 8.000 horas.
Solución: Se sabe que el tempo de vida útil de una lâmpara es distribuido
de acuerdo con un a Exponencial. Portanto, como el tempo de vida útil
medio es de 10.000 horas, se tiene que la média poblacional es de 104 horas
y la varianza poblacional es igual a 108 horas. Como la muestra es mayor
que 30 (TLC), la media muestral tiene una distribución N(104 , 108 /50). Por
lo tanto,
√ 8000 − 10000 √

P(X ≤ 8000) ≈ P Z ≤ 50 = P(Z ≤ − 2) = 0, 0793
10000

Teorema del Lı́mite Central para la proporción muestral
El estimador puntual para p, também denominado proporción muestral, es
definido como
Yn
p̂ =
n
siendo que Yn : denota el número de elementos en la muestra que presenta
la caracterı́stica; n: denota el tamaño de la muestra colectada.
p(1 − p)
E(p̂) = p, e Var (p̂) = .
n
Entonces la distribución muestral de la proporción p̂ se aproxima, para n
grande, de una distribución normal, con media p y varianza p(1 − p)/n, es
decir,

p(1 − p)
p̂ ≈ N p,
n
o equivalentemente
p̂ − p
lim p = N(0, 1)
n→∞ p(1 − p)/n
Ejemplo: Un fabricante de vacunas afirma que su vacuna para gripe in-
muniza 80% de los casos. Una muestra de 25 individuos entre aquellos
que tomaram la vacuna fueron sorteados y pruebas fueron conducidos para
verificar la inmunización (o no). Si el fabricante está en lo correto, cual es
la probabilidad que proporción de los inmunizados en muestra sea inferior a
0,75? y superior a 0,85?
Solución: Sea p̂ la proporción de inmunizados en la muestra. En este
ejemplo n = 25. Piden P(p̂ ≤ 0, 75), más por el Teorema del Limite Central
P(p̂ ≤ 0, 75) ≈ N(p, p(1 − p)/n). En este ejemplo p = 0, 8.
!
p̂ − 0, 8 0, 75 − 0, 8
P(p̂ ≤ 0, 75) ≈ P p ≤p = P(Z ≤ −0, 625)
0, 8 × 0, 2/25 0, 8 × 0, 2/25
Entonces P(p̂ ≤ 0, 75) ≈ 1 − P(Z ≤ 0, 625).

Tamaño adecuado de la muestra
OBJETIVO. determinar el tamaño de una muestra a selecionar de una

población de modo a obtener un error de estimación previamente estipulado,
con cierto grado de confianza. El objetivo es determinar el menor valor de
n tal que:
P(|X − µ| < ) ≥ γ
en que γ es el grado de confianza necesário para que el error muestra sea a
lo más igual a .
Como la distribución muestral de X es N(µ, σ 2 /n), el tamaño mı́nimo de la
muestra n debe satisfazer
√ √
n n
P(− ≤ X − µ ≤ ) = P − ≤Z ≤ =γ
σ σ

√ √
n n
P(− ≤ X − µ ≤ ) = P − ≤Z ≤ =γ
σ σ
√
n
Denotando por zγ = σ , tenemos que
P(−zγ ≤ Z ≤ zγ ) = γ
Entonces
σ 2 (zγ )2
n=
2

En el caso de la proporção tenemos:
√ √ !
n n
P(− ≤ p̂ − p ≤ ) = P − p ≤Z ≤ p =γ
p(1 − p) p(1 − p)
√
n
Denotando por zγ = √ , tenemos que
p(1−p)
P(−zγ ≤ Z ≤ zγ ) = γ
Entonces
p(1 − p) (zγ )2
n=
2

Ejemplo: Una variable aleatoria X tiene distribución muestral N(3, 22).
Cuál deb e ser el tamaño n de una muestra aleatoria de X para que la
media muestral de X tenga 90% de los valores menores que 3,5?
Solución: Se desea calcular P(X ≤ 3, 5) = 0, 9

Ejemplo: El número de llamadas por hora, por atendiente, en una central
de reclamos de un determinado producto sigue una distribución de Poisson
con parámetro λ = 100. Cada atendiente gana una comisión en su salario
fijo caso el atienda en media mas que 102 llamadas por hora.
Con base en una muestra aleatoria de n = 40 horas, cuál es la
probabilidad que una atendiente reciba la comisón? Recuerde que si
X es una variable aleatoria de Poisson(λ), entonces
E(X ) = Var (X ) = λ.
Cuál es el tamaño de la muestra necesaria para que la probabilidade
calculada en el item anterior sea menor que 0, 06?

Ejemplo: Los datos siguientes corresponden al diámetro, en mm, de 30
esferas de rodamiento producidas por una máquina
137; 154; 159; 155; 167; 159; 158; 159; 152; 169; 154; 158; 140; 149; 145
157; 160; 155; 155; 143; 157; 139; 159; 139; 129; 162; 151; 150; 134; 151
x = 151, 9mm, s = 9, 7mm
Supogamos que para satisfacer las especificaciones del consumidor, el
[140mm, 160mm]. Determine la estimación puntual de la proporción
de piezas fabricadas por la máquina satisfaciendo las especificaciones.
Que tamaño de muestra necesitamos de modo que la estimación
puntual este, a lo más, a 0.02 de la proporción verdadera p, con una
probabilidad de 0.95?
Es posible reducir el tamaño de la muestra del caso anterior si
tenemos la información de que como mı́nimo 70% de esferas de
rodamiento satisfacem las especificaciones del consumidor?

Estimación con Intervalo de Confianza
Los estimadores por intervalos de confianza están basados en la distribución

muestral del estimador.
Un intervalo de confianza de un parámetro desconocido θ es un in-
tervalo de la forma [L, U], donde L y U dependen de la muestra, i.e., son
estadı́sticas.
El objetivo de la estimación por intervalo es determinar L y U tal que
P(L ≤ θ ≤ U) = γ
Note que θ no es aleatorio, L y U son aleatorios.

Existe una probabilidad γ de seleccionar una muestra tal que el intervalo
[L, U] contenga el valor de θ.
Si esta afirmación es verdadeira: en 100γ% de las veces θ estará incluido
en el intervalo [L, U].

Nivel de confianza del Intervalo
Tal intervalo es llamado de intervalo de 100γ% de confianza para θ, y γ es

llamado el nivel de confianza del intervalo.
Balance: Cuanto mayor es el intervalo de confianza, más probable que él

contenga el verdadero valor de θ. Mas, cuanto mayor es el intervalo, menos
información se tiene respecto del verdadero valor de θ.
Situación ideal: Tener un intervalo [L, U] relativamente pequeño con alta

confianza.

Estimación por intervalo de confianza para la media: Usando la es-
tadı́stica: média muestral X
Caso 1 - población de varianza conocida
Caso 2 - población de varianza desconocida
Estimación por intervalo de confianza para la proporción: Usando la

estadı́stica: proporción muestral p̂
Caso 1 - población de proporción conocida
Caso 2 - población de proporción desconocida

Nivel de significancia vs Nivel de confianza
Nivel de significancia = α
Nivel de confianza = γ = 1 − α

Intervalo de confianza para media
Sea X1 , . . . , Xn una muestra aleatoria simple de X . La estadı́stica de la

media muestral es
X1 + · · · + Xn
X =
n
σ2
Recuerde que E(X ) = µ y Var (X ) = .
n
Tenemos dos casos:
Caso 1 - población de varianza conocida

Caso 2 - población de varianza desconocida

Población de varianza σ 2 conocida
Asumimos que el tamaño de la población es suficientemente grande com-
parado con el tamaño de la muestra. Por el TLC
X −µ
p ≈ N(0, 1)
σ 2 /n

Con la ayuda de la tabla de la Norma N(0, 1) buscamos −zα/2 y zα/2 .
Ası́, el intervalo de confianza para la media de la población usando una

muestra de tamaño n, con desviación estándar σ conocida, con nivel de
confianza (1 − α).100% es

σ σ
IC (µ, (1 − α).100%) = X − zα/2 √ , X + zα/2 √
n n

Población de varianza σ 2 desconocida.
Ahora aplicamos la estrategia de usar la información que se tiene. Asumimos

que el tamaño de la población es suficientemente grande comparado con el
tamaño de la muestra. Además, suponemos una muestra aleatoria simple
de una distribución normal.
En el caso en que σ 2 es desconocido, se propone usar S 2 (que es una v.a.)
en lugar de σ 2 . En este caso tenemos que
X −µ
p ≈ t(n−1) .
S 2 /n
Por lo tanto

S S
IC (µ, (1 − α).100%) = X − tα/2,n−1 √ , X + tα/2,n−1 √
n n

Población finita
Cuando el muestreo es sin reemplazo en poblaciones finitas de N elementos

se usa el factor de corrección
N −n
N −1
Entonces, para una población finita de N elementos y un muestreo sin

reposición, además siendo la desviación estándar poblacional σ conocida y
n ≥ 30, el intervalo que contiene el parámetro µ es:
" r r #
σ N −n σ N −n
IC (µ, (1 − α).100%) = X − zα/2 √ , X + zα/2 √
n N −1 n N −1

Si la desviación estándar poblacional σ es desconocida y n ≥ 30, el intervalo
que contiene el parámetro µ es:
" r r #
S N −n S N −n
IC1−α (µ) = X − tα/2,n−1 √ , X + tα/2,n−1 √
n N −1 n N −1

En resumen:
Varianza conocida

σ σ
IC (µ, (1 − α).100%) = X − zα/2 √ , X + zα/2 √
n n
Varianza desconocida

S S
IC (µ, (1 − α).100%) = X − tα/2,n−1 √ , X + tα/2,n−1 √
n n

Ejemplo: Los datos a seguir corresponde al diámetro, en mm, de 30 esferas
de rodamiento producidas por una máquina
137; 154; 159; 155; 167; 159; 158; 159; 152; 169; 154; 158; 140; 149; 145
157; 160; 155; 155; 143; 157; 139; 159; 139; 129; 162; 151; 150; 134; 151
Construir un intervalo de confianza, al 95% de confianza, para la

media de la población de todas las posibles esferas producidas por la
máquina.
Supongamos que σ 2 = 100. Calcular un intervalo de confianza, al
95% de confianza, para la media de la población.

Ejemplo: Un fabricante de baterias para reloj solicita al sector de engenierı́a
una evaluación rigurosa de la duración (en años) del produto. Supongamos
que la duración del producto sigue una distribución normal. Una serie de
baterias fueron seleccionadas para hacer pruebas. Los resultados, en años
fueron:
1.2; 1.4; 1.7; 1.3; 1.2; 2.3; 2.0; 1.5; 1.8; 1.4; 1.6; 1.5; 1.6; 1.5; 1.3
Determine una estimativa para la media y varianza muestral del

tiempo de duración de la bateria.
Calcule un intervalo de 99% de confianza para la verdadera media del
tiempo de duración de la bateria.

Observación:
Si la variable X en la población tiene distribución normal, entonces
X −µ X −µ
p ≈ N(0, 1) , p ≈ t(n−1) .
σ 2 /n S 2 /n
Si el tamaño n de la muesstra es grande, entonces
X −µ X −µ
p ≈ N(0, 1) , p ≈ N(0, 1).
σ 2 /n S 2 /n

Intervalo de confiaza de la proporción
Sea X1 , . . . , Xn una muesstra aleatória simple de X ∼ Bern(p). La estad

ı́stica de la media muesstra es
X1 + · · · + Xn
p̂ =
n
donde Xi = 0 ou 1. También fue denotado por Yn = X1 + · · · + Xn .
p(1−p)
Recordemos que E(p̂) = p e Var (p̂) = n .
Entonces tenemos solo el siguiente caso:
Caso - proporción p de la población es desconocida.

Intervalo de confiaza de la proporción
Sea X1 , . . . , Xn una muestra aleatoria simple de X . La estadı́stica de la

proporción muesstra es
Yn
p̂ =
n
Por el TLC tenemos que

p(1 − p)
p̂ ≈ N p,
n
ó
p̂ − p
Z=p ≈ N(0, 1)
p(1 − p)/n

Ası́, el intervalo de confianza para la proporción en una población usando
una amostra de tamaño n, con coeficiente de confianza (1 − α).100% es
p " p #
p(1 − p) p(1 − p)
IC (p, (1 − α).100%) = p̂ − zα/2 √ , p̂ + zα/2 √
n n
Se desea estimar el intervalo de confianza para el parámetro p (de-

sconocido). El resultado arriba está en función de p.

Tenemos dos opciones simples de usar:
Substituir p por p̂ (estimativa optimista)

" p p #
p̂(1 − p̂) p̂(1 − p̂)
IC (p, (1 − α).100%) = p̂ − zα/2 √ , p̂ + zα/2 √ .
n n
Usar el hecho que p(1 − p) ≤ 1/4

1 1
IC (p, (1 − α).100%) = p̂ − zα/2 √ , p̂ + zα/2 √ .
2 n 2 n

Ejemplo: Los datos a seguir corresponde al diámetro, en mm, de 30 esferas
de rodamiento producidas por una máquina
137; 154; 159; 155; 167; 159; 158; 159; 152; 169; 154; 158; 140; 149; 145
157; 160; 155; 155; 143; 157; 139; 159; 139; 129; 162; 151; 150; 134; 151
Construir un intervalo de confianza, al 95% de confianza, para la

media de la población de todas las posibles esferas producidas por la
máquina.
Supongamos que para satisfazer las esecificaciones del consumidor, el
[140mm, 160mm]. Determine un intervalo de confianza de 98% para
la verdadera proporción de piezas fabricadas por la máquina
satisfaciendo las especificaciones.

Ejemplo: Pruebas de compresión en muestras de concreto son realizadas
para verificar si el concreto tiende el valor mı́nimo de 30Mpa. Docientas
piezas de concreto son testeadas observando que 10 de ellas no atienden el
valor mı́nimo especificado.
Calcule un intervalo de 98% de confianza para la verdadera
proporción de piezas que no atienden el valor mı́nimo especificado.
Utilize la variância estimada de la proporción muestral.
Cuántas piezas de prueba serian necesarias para que el intervalo del
item anterior tenga un margem de error de 0.03Mpa?

Ejemplo: Se está realizando un estudio con un nuevo medicamento. Se
desea estimar la proporción p de pacientes para los cuales el tempo de
reacción después de la utilización del medicamente es menor que 5 minutos.
Para este estudio, el nuevo medicamento será administrado en una muestra
de pacientes y el tiempo de reacción de cada uno será registrado.
1 Cual debe ser el tamaño de la muestra para que el error cometido al
estimar p sea a lo más 0, 05, con un coeficiente de confianza del 95%?
2 Se los pesquisadores garantizan que p es por lo menos 80%, cuál es el
tamanho de la muestra necesária para atender las mismas exigencias
del item (a)?
3 Una muestra de 30 pacientes da los siguientes tiempos de reaación:
4.0; 3.5; 6.1; 5.8; 5.4; 4.4; 4.9; 3.9; 5.1; 5.3; 4.1; 4.2; 4.8; 4.7; 3.8;
4.8; 5.3; 5.5; 3.6; 3.5; 4.7; 3.3; 3.7; 6.3; 5.7; 3.9; 4.6; 4.7; 4.1; 4.3
Dar una estimación puntual para p y, en base a ella, construir un
intervalo de 95% de confianza para p.

Intervalo de confianza para la diferencia de medias de dos
poblaciones

Sean X 1 y X 2 las medias de dos muestras aleatorias independientes de
tamaños n1 y n2 seleccionadas de dos poblaciones con medias µ1 y µ2 .
Suponemos que las varianzas son conocidas σ12 y σ22 .
Si las poblaciones son normales entonces X 1 ∼ N(µ1 , σ12 /n1 ) y X 2 ∼
N(µ2 , σ22 /n2 ) y
X 1 − X 2 ∼ N(µ1 − µ2 , σ12 /n1 + σ22 /n2 )
Si las poblaciones NO son normales, para n1 , n2 ≥ 30, por el Teorema Cen-

tral del Lı́mite se tiene que X 1 −X 2 es aproximadamente N(µ1 −µ2 , σ12 /n1 +
σ22 /n2 ).

Si las poblaciones NO son normales, para n1 , n2 ≥ 30, por el Teorema Cen-
tral del Lı́mite se tiene que X 1 −X 2 es aproximadamente N(µ1 −µ2 , σ12 /n1 +
σ22 /n2 ).
Entonces
X 1 − X 2 − z1− α2 · ET ≤ µ1 − µ2 ≤ X 1 − X 2 + z1− α2 · ET
q
σ12 σ22
donde ET = n1 + n2

Si las varianzas poblacionales son desconocidas (y tenemos normalidad),
podemos tener dos casos:
Caso 1: σ12 = σ22 = σ 2 Un estimador insesgado de la varianza común σ 2 es
(n1 − 1)S12 + (n2 − 1)S22

Sc2 =
n1 + n2 − 2
q
sc2 sc2
Sea ET = n1 + n2 , entonces el intervalo de confianza será de
X 1 − X 2 − t1− α2 ,n1 +n2 −2 · ET ≤ µ1 − µ2 ≤ X 1 − X 2 + t1− α2 ,n1 +n2 −2 · ET

Caso 2: σ12 6= σ22 Un estimador insesgado de la varianza común σ 2 es
(n1 − 1)S12 + (n2 − 1)S22

Sc2 =
n1 + n2 − 2
q
s12 s22
Sea ET = n1 + n2 , entonces el intervalo de confianza será de
X 1 − X 2 − t1− α2 ,r · ET ≤ µ1 − µ2 ≤ X 1 − X 2 + t1− α2 ,r · ET
donde 2
s12 /n1 + s22 /n2

r=
[s12 /n1 ]2 [s22 /n2 ]2
n1 −1 + n2 −1

Intervalo de confianza para la diferencia de proporciones de
dos poblaciones

Intervalo de confianza para la varianza de una población

Intervalo de confianza para la razón de varianzas de dos
poblaciones
Sean S12 y S22 las varianzas de dos muestras aleatorias independientes de

tamaños n1 y n2 seleccionadas de dos poblaciones normales respectivas con
varianzas σ12 y σ22 . Sea la siguiente distribución
S12 /σ12
F = ∼ F (n1 − 1, n2 − 1)
S22 /σ22
Con esa distribución se construye el intervalor de confianzas
s12 σ2 s2
2
· f α2 ,n1 −1,n2 −1 ≤ 12 ≤ 12 · f1− α2 ,n1 −1,n2 −1
s2 σ2 s2


Estim Punt Interv

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estim Punt Interv

Cargado por

Copyright:

Formatos disponibles

Estadı́stica Aplicada 2

Estimación puntual e intervalar

José J. Cerda-Hernández, Ph.D.

Universidad Nacional de Ingenierı́a

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 1 / 86

La colección de todos los posibles elementos bajo investigación es denomi-

En todos los problemas estadı́sticos debemos inicialmente definir cuál será la

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 2 / 86

La muestra es utilizada cuando no tenemos acceso a toda la población y

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 3 / 86

Existen varias formas de seleccionar muestras de las poblaciones:

Muestra aleatoria: cuando los elementos de la población se eligen de forma

Muestra aleatoria simple: Se garantiza que todos los individuos de la

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 4 / 86

Ejemplo: Si de una población de 500 se debe tomar una muestra de tamaño

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 5 / 86

El tipo de muestreo que usaremos a lo largo del curso es Muestreo Aleatorio

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 6 / 86

Todos los elementos de la población tienen la misma probabilidad de ser

cada una con la misma distribución de X .

Intuitivamente, Xi representa la observación del i-ésimo elemento

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 7 / 86

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 8 / 86

Error Estándar del Estadı́stico: es la desviación estándar de la distribución

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 10 / 86

Estimadores son funciones muestrales (estadı́sticas), definidas antes de ob-

Estimativa es el valor numérico del estimador despues de observar la mues-

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 11 / 86

E(T ) = θ, para todo θ

El sesgo de un estimador T para um parámetro θ es igual a E(T ) − θ .

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 13 / 86

Esto demuestra que X es un estimador insesgado.

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 14 / 86

Un posible estimador para σ 2 , basado en una muestra aleatoria simple de

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 15 / 86

Por lo anterior, un estimador insesgado para la varianza poblacional es

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 16 / 86

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 17 / 86

Ejemplo: Vimos que σ̂ 2 es insesgado para σ 2 . Demonstrar que

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 18 / 86

Determine la esperanza y a varianza de cada estimador. Por qué p̂2 no es

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 19 / 86

Sea X1 , . . . , Xn una muestra aleatoria simple extraı́da de una población con

Si el estimador es insesgado, entonces

Lo que generalmente se busca es minimizar el ECM. Esto sólo ocurre con

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 20 / 86

Dos posibles procedimentos de estimación son:

Vamos a observar n elementos, extraidos de forma aleatoria com reposición

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 22 / 86

Vamos observar n elementos, extraı́dos de forma aleatoria sin reposición de

Propiedad: Sea X una v.a. con media µ y varianza σ 2 , y sea X1 , X2 , ..., Xn

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 23 / 86

Propiedad: Sea X una variable aleatoria con média µ y varianza σ 2 , y sea

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 24 / 86

El estimador puntual para p, también denominado proporción muestral, es

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 25 / 86

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 26 / 86

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 27 / 86

1. Método de Máxima verosimilitud

Definición: Sea X una variable aleatoria cuya función de probabilidad f (x)

Observación: si θ hace máxima a L(θ), entonces también hace máxima a

J. Cerda-Hernández, Ph.D. (Depart. Econ.) Estadı́stica 2 UNI 28 / 86

Si, la distribución de probabilidad tiene varios parámetros desconocidos, θ1